虹膜识别是生物特征识别中安全性最高的方法,其中近红外图像的人眼检测是虹膜识别的重要环节,但是传统近红外人眼检测方法在Android端很难同时兼顾检测速度与准确性。本文采用深度学习与核相关滤波相结合算法进行实时人眼检测与跟踪并在Android端进行移植。本文的主要工作如下:1.构建近红外人脸视频图像库。使用带有近红外灯的摄像头采集用于检测的人脸图像与用于跟踪的人脸视频,图像分辨率为1920×1080,一共55000幅图像,其中训练图50000幅,测试图5000幅,每个视频时长为10s,共10段视频。2.设计并实现了基于卷积神经网在近红外图像上进行人眼检测算法。网络由5个深度可分离卷积层、13个标准卷积层与两个连接层构成,采用K-means方法对网络中anchor的参数进行优化,使用Softmax与Smooth L1损失进行类别分类与坐标回归。实验结果显示人眼检测的正确率为98.8%。3.研究并实现了基于改进核相关滤波在近红外图像上进行人眼跟踪的算法,该算法使用局部二值特征、多尺度模板、输出最大响应阈值进行跟踪算法优化。实验结果表明人眼跟踪的准确率为94.1%,跟踪速度为7ms/f,人眼框重叠率为81.4%。4.基于Android的近红外人眼检测与跟踪移植。主要采用腾讯开源的深度学习框架NCNN,通过编译源码将检测模型进行转换,结合封装的跟踪算法进行Android系统的移植。测试结果表明,该系统对于人眼最终检测速度为30ms/f左右,满足实时性要求。